CN118024035B - 基于机器学习的抛光液更换预警方法及装置 - Google Patents
基于机器学习的抛光液更换预警方法及装置 Download PDFInfo
- Publication number
- CN118024035B CN118024035B CN202410437204.5A CN202410437204A CN118024035B CN 118024035 B CN118024035 B CN 118024035B CN 202410437204 A CN202410437204 A CN 202410437204A CN 118024035 B CN118024035 B CN 118024035B
- Authority
- CN
- China
- Prior art keywords
- polishing
- performance
- polishing liquid
- solution
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 658
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000010801 machine learning Methods 0.000 title claims abstract description 44
- 239000007788 liquid Substances 0.000 claims abstract description 252
- 238000007517 polishing process Methods 0.000 claims abstract description 74
- 238000011002 quantification Methods 0.000 claims abstract description 47
- 239000000463 material Substances 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 239000002184 metal Substances 0.000 claims abstract description 17
- 239000012535 impurity Substances 0.000 claims abstract description 16
- 239000003082 abrasive agent Substances 0.000 claims abstract description 10
- 238000013139 quantization Methods 0.000 claims description 57
- 230000000694 effects Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000002002 slurry Substances 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 29
- 230000009286 beneficial effect Effects 0.000 abstract description 8
- 239000000306 component Substances 0.000 description 17
- 238000007726 management method Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 239000002699 waste material Substances 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000002028 premature Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004846 x-ray emission Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明涉及机器学习的技术领域,特别是涉及一种基于机器学习的抛光液更换预警方法及装置,其有助于提高抛光效率和产品质量,降低生产成本;方法包括:采集每次抛光作业后的抛光溶液物理特性,抛光液物理特性包括pH值、导电率、金属杂质含量、粘度以及磨料含量;将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配,获得抛光液性能量化指标;计算每次抛光作业的抛光液性能量化指标衰减幅度;采集每次抛光作业的零件抛光工艺属性,零件抛光工艺属性包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长;将抛光液性能量化指标衰减幅度与对应抛光作业的零件抛光工艺属性进行相关性分析,获得抛光液性能影响数据库。
Description
技术领域
本发明涉及机器学习的技术领域,特别是涉及一种基于机器学习的抛光液更换预警方法及装置。
背景技术
抛光液作为现代精密制造过程中不可或缺的重要消耗品,其性能优劣直接影响到工件表面的光洁度、平滑度以及产品的整体质量;抛光液主要由磨料、抛光剂、稳定剂、添加剂和水等组分组成,通过与工件表面的摩擦和化学反应,实现工件表面的去除和整平。
现有的抛光液更换管理主要依赖于经验法则或固定的时间表,缺乏科学性和准确性,这种传统的管理方式不仅可能导致抛光液过早更换,浪费资源,还可能因为抛光液性能衰减未得到及时更换而影响抛光效果和产品质量。
因此,亟需一种于机器学习的抛光液更换预警方法以解决上述问题。
发明内容
为解决上述技术问题,本发明提供一种有助于提高抛光效率和产品质量,降低生产成本的基于机器学习的抛光液更换预警方法及装置。
第一方面,本发明提供了基于机器学习的抛光液更换预警方法,所述方法包括:
采集每次抛光作业后的抛光溶液物理特性,所述抛光液物理特性包括pH值、导电率、金属杂质含量、粘度以及磨料含量;
将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配,获得抛光液性能量化指标;
计算每次抛光作业的抛光液性能量化指标衰减幅度;
采集每次抛光作业的零件抛光工艺属性,所述零件抛光工艺属性包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长;
将抛光液性能量化指标衰减幅度与对应抛光作业的零件抛光工艺属性进行相关性分析,获得抛光液性能影响数据库;
获取待抛光作业的零件抛光工艺属性,并将其带入至抛光液性能影响数据库进行计算,获得待抛光作业的抛光液性能量化指标衰减幅度;
基于末次抛光作业得到的抛光液性能量化指标与待抛光作业的抛光液性能量化指标衰减幅度,计算得到待抛光作业后的抛光液性能量化指标;
将待抛光作业后的抛光液性能量化指标与预设抛光液更换阈值进行比较,并根据比较结果进行抛光液更换提醒。
另一方面,本申请还提供了基于机器学习的抛光液更换预警装置,所述装置包括:
数据采集模块,用于采集每次抛光作业后的抛光溶液物理特性,抛光溶液物理特性至少包括pH值、导电率、金属杂质含量、粘度以及磨料含量;
性能量化模块,用于将数据采集模块所采集的抛光液物理特性输入到预先搭建的抛光液性能量化空间中,通过匹配获得抛光液性能量化指标;
性能衰减计算模块,用于计算每次抛光作业的抛光液性能量化指标衰减幅度;
工艺属性采集模块,用于采集每次抛光作业的零件抛光工艺属性,零件抛光工艺属性包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长;
相关性分析模块,用于将抛光液性能量化指标衰减幅度与零件抛光工艺属性进行相关性分析,建立抛光液性能影响数据库;
预测计算模块,用于获取待抛光作业的零件抛光工艺属性,并将其带入到抛光液性能影响数据库中进行计算,预测待抛光作业的抛光液性能量化指标衰减幅度;
性能预测模块,基于末次抛光作业得到的抛光液性能量化指标与预测计算模块所得的待抛光作业抛光液性能量化指标衰减幅度,计算得到待抛光作业后的抛光液性能量化指标;
更换提醒模块,将性能预测模块得到的待抛光作业后的抛光液性能量化指标与预设的抛光液更换阈值进行比较;如果超过预设的抛光液更换阈值,则发出抛光液更换的提醒。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:本发明通过采集抛光作业后的抛光液物理特性,如pH值、导电率、金属杂质含量、粘度以及磨料含量等关键指标,能够对抛光液的性能状态进行精细量化监控,这比传统的仅依靠目视检查或固定更换周期的做法更为精确,能更真实反映抛光液的实际效能和损耗程度;将抛光液性能衰减幅度与具体的抛光作业条件(如零件材质、单一零件抛光面积、零件数量以及抛光时长等工艺属性)相结合进行相关性分析,构建抛光液性能影响数据库;这样可以揭示抛光液性能变化与工艺条件间的内在联系,使得抛光液管理更具针对性和动态性,而非一刀切的定时更换;通过将待抛光作业的工艺属性输入到性能影响数据库中,可以预测此次作业后抛光液性能的衰减情况,提前计算出待抛光作业后的抛光液性能量化指标;这种方式实现了从被动响应到主动预防的转变,能在抛光液性能开始显著降低之前,提前进行更换预警,有助于避免因抛光液性能不足造成的抛光效果下降和产品质量受损;相比传统的定时更换制度,该方法避免因盲目或过早更换抛光液导致的资源浪费,使抛光液在有效的生命周期内得到充分利用,从而降低生产成本,提高经济效益;实时监测并根据抛光液性能指标动态调整更换时机,可以确保抛光过程始终处于最佳状态,从而有效地保障抛光产品的表面质量和精度,提升整体生产质量水平;基于大数据和机器学习技术,将复杂的抛光液性能变化和工艺条件纳入统一的量化模型中,实现从经验判断到数据驱动的决策升级,为企业的精细化运营和智能制造提供有力支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于机器学习的抛光液更换预警方法的流程图;
图2是本发明一实施例提供的一种电子设备的硬件架构图;
图3是本发明一实施例提供的一种基于机器学习的抛光液更换预警装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,本发明实施例提供了一种基于机器学习的抛光液更换预警方法,该方法包括:
步骤S1、采集每次抛光作业后的抛光溶液物理特性,所述抛光液物理特性包括pH值、导电率、金属杂质含量、粘度以及磨料含量;
步骤S2、将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配,获得抛光液性能量化指标;
步骤S3、计算每次抛光作业的抛光液性能量化指标衰减幅度;
步骤S4、采集每次抛光作业的零件抛光工艺属性,所述零件抛光工艺属性包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长;
步骤S5、将抛光液性能量化指标衰减幅度与对应抛光作业的零件抛光工艺属性进行相关性分析,获得抛光液性能影响数据库;
步骤S6、获取待抛光作业的零件抛光工艺属性,并将其带入至抛光液性能影响数据库进行计算,获得待抛光作业的抛光液性能量化指标衰减幅度;
步骤S7、基于末次抛光作业得到的抛光液性能量化指标与待抛光作业的抛光液性能量化指标衰减幅度,计算得到待抛光作业后的抛光液性能量化指标;
步骤S8、将待抛光作业后的抛光液性能量化指标与预设抛光液更换阈值进行比较,并根据比较结果进行抛光液更换提醒。
在本实施例中,通过采集抛光作业后的抛光液物理特性,如pH值、导电率、金属杂质含量、粘度以及磨料含量等关键指标,能够对抛光液的性能状态进行精细量化监控,这比传统的仅依靠目视检查或固定更换周期的做法更为精确,能更真实反映抛光液的实际效能和损耗程度;将抛光液性能衰减幅度与具体的抛光作业条件(如零件材质、单一零件抛光面积、零件数量以及抛光时长等工艺属性)相结合进行相关性分析,构建抛光液性能影响数据库;这样可以揭示抛光液性能变化与工艺条件间的内在联系,使得抛光液管理更具针对性和动态性,而非一刀切的定时更换;通过将待抛光作业的工艺属性输入到性能影响数据库中,可以预测此次作业后抛光液性能的衰减情况,提前计算出待抛光作业后的抛光液性能量化指标;这种方式实现了从被动响应到主动预防的转变,能在抛光液性能开始显著降低之前,提前进行更换预警,有助于避免因抛光液性能不足造成的抛光效果下降和产品质量受损;相比传统的定时更换制度,该方法避免因盲目或过早更换抛光液导致的资源浪费,使抛光液在有效的生命周期内得到充分利用,从而降低生产成本,提高经济效益;实时监测并根据抛光液性能指标动态调整更换时机,可以确保抛光过程始终处于最佳状态,从而有效地保障抛光产品的表面质量和精度,提升整体生产质量水平;基于大数据和机器学习技术,将复杂的抛光液性能变化和工艺条件纳入统一的量化模型中,实现从经验判断到数据驱动的决策升级,为企业的精细化运营和智能制造提供有力支持。
下面描述图1所示的各个步骤的执行方式。
针对步骤S1:
在步骤S1中,采集每次抛光作业后的抛光液物理特性是为了获得对抛光液性能的客观评估;在抛光作业完成后,通过一系列专业设备和传感技术,实时、准确地获取抛光溶液的各项物理特性数据;具体实施时,S1步骤主要包括以下几个方面:
a、pH值测定:使用高精度的数字pH计或便携式pH测试仪,对抛光作业后的抛光液进行酸碱度测定;pH值是衡量抛光液酸碱属性的重要指标,它直接影响抛光液与工件表面材料的化学反应效率以及抛光液中各成分的稳定性,如抛光剂、稳定剂和添加剂的溶解状态和活性;
b、导电率测量:采用电导率仪精确测量抛光液的导电性能;抛光液中的许多成分如金属离子和某些添加剂在水中具有一定的导电性,导电率的变化可以反映抛光液中有效成分的损耗情况,特别是对于含有电解质成分的抛光液,导电率是一个关键的性能指标;
c、金属杂质含量分析:通过先进的实验室分析技术,如原子吸收光谱法、电感耦合等离子体质谱法(ICP-MS)或X射线荧光光谱法(XRF),对抛光液中的金属杂质进行定量分析;在抛光过程中,工件表面的金属可能会部分溶解到抛光液中,金属杂质含量的上升不仅可能影响抛光效果,还可能损害抛光液的性能;
d、粘度测定:借助旋转粘度计进行抛光液粘度的测量;抛光液的粘度与其流动性和悬浮磨料的能力密切相关,合适的粘度能够保证抛光液均匀涂覆在工件表面,过高或过低的粘度都会影响抛光效果;在实际操作中,可能需要在恒温条件下进行粘度测定,以消除温度对粘度的影响;
e、磨料含量检测:磨料是抛光液的核心成分之一,其含量直接影响抛光效率和抛光质量;可通过过滤分离出固态磨料,然后进行烘干、称重等步骤计算磨料含量,或者利用化学分析方法直接测定液态抛光液中磨料离子的浓度。
在本步骤中,通过高精度的专业设备和实验室分析技术,确保对抛光液性能参数的实时、准确测量,避免了统经验法则的主观性和不确定性,提升抛光液性能评估的科学性和准确性;本步骤涵盖pH值、导电率、金属杂质含量、粘度以及磨料含量等多个关键物理特性的采集,从多维度全面评估抛光液的性能状态,不仅可以了解抛光液本身的质量变化,也能反映出抛光过程对抛光液性能的影响;通过对导电率、金属杂质含量和磨料含量的监测,能够及时掌握抛光液中有效成分的损耗情况,确保抛光液在有效期内发挥最佳性能,延长抛光液的使用寿命,降低生产成本;通过对pH值和粘度的测量,可以优化抛光工艺参数,确保抛光液与工件表面材料的化学反应效率,以及抛光液的流动性、悬浮磨料能力和涂覆均匀性,从而提高抛光效果和产品质量;总之,步骤S1通过科学严谨的数据采集和分析,为基于机器学习的抛光液更换预警模型提供了丰富的、多维的数据支持,有效改善了抛光液更换管理的科学性和精确性,有利于实现精细化和智能化的抛光液管理,提高整体生产效益。
针对步骤S2:
步骤S2涉及将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配,获得抛光液性能量化指标;在此步骤中,预先搭建的抛光液性能量化空间是一个基于机器学习模型构建的数学模型,它可以将采集到的多项物理特性参数进行综合分析和转换,形成一个或多维度的量化指标,这个指标能够较为全面、准确地反映抛光液的性能状态和使用程度;具体实现细节包括:
S21、抛光液性能量化空间的搭建:构建抛光液性能量化空间,抛光液性能量化空间是一个多维度的数据模型,通常基于大数据分析和机器学习算法;它整合了历史抛光作业中不同物理特性对抛光液性能的影响数据,并通过算法学习识别出各物理特性与抛光液性能之间的潜在关系;
S22、数据输入与预处理:在采集到每次抛光作业后的抛光液物理特性数据后,抛光液物理特性数据会被输入到抛光液性能量化空间中;在输入之前,通常需要对抛光液物理特性数据进行预处理,包括清洗、去噪、标准化等步骤,以确保数据的准确性和可比性;
S23、匹配算法的选择:在抛光液性能量化空间中,需要选择合适的匹配算法来处理和解析输入的数据;这些算法包括聚类分析、回归分析、神经网络等;这些算法会根据输入的物理特性数据,在量化空间中找到最接近的历史数据点,从而推断出当前的抛光液性能;
S24、性能量化指标的生成:通过匹配算法的处理,会根据输入的抛光液物理特性数据生成抛光液性能量化指标;抛光液性能量化用于量化描述抛光液在当前状态下的性能;
S25、不断学习与优化:抛光液性能量化空间不是静态的,它会随着新数据的加入和算法的优化而不断更新;通过不断地学习新的抛光作业数据,可以逐渐提高性能量化指标的准确性和可靠性。
其中,所述抛光液性能量化空间的搭建过程,具体包括以下步骤:
S211、收集大量的历史数据,这些数据来自于过去的抛光作业,包括每次作业后的抛光液物理特性数据(如pH值、导电率、金属杂质含量、粘度和磨料含量)以及对应的抛光效果评估数据(如工件表面的光洁度、平滑度等);同时,还需要收集每次抛光作业的零件抛光工艺属性数据,如被抛光零件的材质、抛光面积、零件数量和抛光时长等;
S212、对收集到的数据进行清洗,去除异常值和错误数据,确保数据的准确性和一致性;对数据进行标准化处理,消除不同物理特性之间的量纲差异,使它们可以在同一尺度上进行比较和分析;
S213、从预处理后的数据中提取关键特征,这些特征能够反映抛光液的性能和抛光效果;利用统计学、机器学习等领域的知识,分析各物理特性与抛光效果之间的关系,确定哪些特征是重要的,哪些特征是次要的;
S214、基于提取的特征,选择合适的机器学习算法(如回归分析、神经网络等)建立抛光液性能量化模型;这个模型能够将抛光液的物理特性映射到抛光效果上,从而实现对抛光液性能的量化评估;
S215、使用一部分独立的数据集对建立的模型进行验证,评估其预测准确性和泛化能力;根据验证结果对模型进行调整和优化,提高其对抛光液性能的预测精度。
在本步骤中,通过整合多种物理特性参数,构建一个多维度量化指标,能够更准确地衡量抛光液的实际性能状态,解决了传统依靠单一指标或主观判断不准确的问题;利用机器学习算法,可以自动化处理复杂的物理特性数据,减少人为因素干扰,提高效率和一致性;通过持续学习和优化,模型能根据不断新增的抛光作业数据自我调整和改进,适应不同的工作环境和条件变化,保证了性能评估的实时性和有效性;基于抛光液性能量化指标,可以提前预测抛光液性能衰减情况,进而实现抛光液更换的预警管理,避免因抛光液性能不足导致的产品质量问题,同时也减少了不必要的资源浪费;通过挖掘抛光液各项物理特性与性能之间的内在联系,不仅可以提供实时的性能评估,还能为研发部门改良抛光液配方、优化生产工艺提供有价值的参考依据;综上所述,基于机器学习的抛光液性能量化空间搭建方法为抛光液性能管理和更换决策提供了科学化、精细化的技术支撑,显著提升了抛光过程的质量控制水平。
针对步骤S3:
在抛光过程中,随着抛光作业的进行,抛光液的性能会逐渐衰减;这种衰减是由于抛光液中的磨料、抛光剂和其他组分的消耗,以及抛光过程中可能产生的杂质和金属颗粒的积累所致;抛光液性能量化指标衰减幅度是指抛光液在连续使用过程中,其性能量化指标相对于初始状态或上一次更换时的性能量化指标下降的程度;要计算抛光液性能量化指标衰减幅度,首先需要获取每次抛光作业前后的抛光液性能量化指标;抛光液性能量化指标是通过将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配而获得的;在获取了抛光液性能量化指标后,可以按照以下步骤进行计算:
选择参考点:选择一个合适的参考点,通常是上一次抛光作业后的抛光液性能量化指标,作为比较的基础;
计算差值:计算当前抛光作业后的性能量化指标与参考点的差值;这个差值反映了抛光液性能自上次更换或上次作业以来的变化程度;
计算衰减幅度:将差值与参考点的性能量化指标进行比较,计算出衰减幅度;
抛光液性能量化指标衰减幅度的计算对于抛光液更换预警具有重要意义;通过监测抛光液性能量化指标的衰减幅度,可以及时发现抛光液性能的下降趋势,从而避免抛光液过早更换造成的资源浪费,以及抛光液性能衰减未及时更换导致的抛光效果下降和产品质量问题;在实际应用中,计算抛光液性能量化指标衰减幅度时还需要考虑一些因素,如抛光作业的环境条件、抛光机的运行状态、抛光液的使用方式等;这些因素都可能对抛光液性能产生影响,因此在计算衰减幅度时需要综合考虑这些因素,以获得更准确的结果。
针对步骤S4:
步骤S4在基于机器学习的抛光液更换预警方法中,主要是为了更好地理解和评估抛光作业对抛光液性能的影响,以及不同抛光工艺属性对抛光液性能衰减程度的贡献,具体实施内容如下:
被抛光零件材质分析:不同材质的工件表面硬度、粗糙度等性质不同,对抛光液的要求也不同;高硬度的金属零件容易加速磨料的磨损和消耗,某些特殊材质可能与抛光液中的化学成分发生反应,影响抛光效果和抛光液性能的稳定性;因此,记录每次抛光作业中零件的具体材质类型,是评估抛光液性能衰减的重要因素;
单一零件抛光面积统计:单个零件的抛光面积是影响抛光液性能损耗的重要参数;面积较大的零件在抛光过程中接触抛光液的表面积更大,导致磨料和其他有效成分的消耗更快,进而加剧抛光液性能的衰减;因此,精确测量并记录每一个零件的抛光面积,有助于分析抛光液在不同面积条件下的性能表现;
零件数量记录:在一次抛光作业中,参与抛光的零件数量对抛光液的总体消耗有直接影响;数量越多,意味着抛光液需要处理更多的抛光任务,其有效成分的分散程度和消耗速度也会相应增加;因此,准确统计每次作业中的零件数量,是量化抛光液性能衰减速率的关键要素;
抛光时长监测:抛光作业的持续时间也是影响抛光液性能的重要考量因素;长时间的抛光作业不仅会使抛光液的物理性能(如粘度、导电率等)发生变化,而且可能引发化学成分的过度消耗或化学平衡的打破,从而加速抛光液性能的衰减;因此,精确测量并记录每一次抛光作业的确切时长,对于评估抛光液的剩余使用寿命至关重要。
在本步骤中,通过分析被抛光零件的材质、面积、数量和抛光时长等工艺属性,能够针对不同的抛光作业提供个性化的抛光液性能评估,从而避免了传统经验法则的一刀切做法,提高了预警系统的精准度;该步骤充分考虑了多种可能影响抛光液性能的因素,包括零件材质对磨料消耗和化学反应的影响、零件面积对有效成分消耗速度的影响、零件数量对总体消耗量的影响以及抛光时长对物理和化学性能变化的影响,有助于全面评估抛光工艺对抛光液性能衰减的综合效应。
针对步骤S5:
在抛光液更换预警方法的步骤S5中,进行相关性分析是为了理解抛光液性能量化指标衰减幅度与零件抛光工艺属性之间的关系;这种关系可以帮助我们预测在给定抛光工艺条件下抛光液性能的衰减情况,并为未来的抛光作业提供指导;抛光液性能影响数据库记录了不同抛光工艺属性下抛光液性能衰减的规律和模式,能够为后续预测抛光液性能变化、制定科学的更换策略提供有力的数据支持和理论依据,从而实现抛光液更换管理的精细化和智能化;具体实施步骤如下:
S51、将步骤S3得到的抛光液性能量化指标衰减幅度数据与步骤S4采集的零件抛光工艺属性数据进行整合;对数据进行预处理,包括处理缺失值(如平均值填充、中位数填充等)、异常值检测与处理(如删除远离正常值范围的数据点或使用插值方法填充)、数据标准化或归一化等,确保数据质量,满足后续分析需求;
S52、计算每一对变量(抛光液性能量化指标衰减幅度与各工艺属性)之间的相关系数,如皮尔逊相关系数、斯皮尔曼秩相关系数等,直观展现它们之间的线性或非线性关系密切程度;绘制散点图、直方图、箱线图等图形,直观展示各工艺属性与抛光液性能衰减幅度之间的关系,辅助判断是否存在明显相关性;
S53、如果相关系数分析显示存在线性关系,可以建立多元线性回归模型,通过模型拟合,获取各工艺属性对抛光液性能衰减幅度的影响力大小(即回归系数)以及显著性检验结果;如果相关性呈现非线性特征,可尝试多项式回归、样条回归等非线性回归模型,以捕捉更复杂的交互作用关系;
S54、构建决策树或随机森林模型,通过树结构直观揭示各工艺属性对抛光液性能衰减幅度的影响路径和重要程度;利用支持向量机等方法,尤其是配合非线性核函数,探寻非线性关系和潜在的高维特征空间内的相关性;通过构建深度神经网络,利用多层非线性变换捕获更深层次的工艺属性与抛光液性能衰减幅度之间的复杂关联;
S55、通过K-means聚类、层次聚类等方法,将抛光作业按照工艺属性和性能衰减幅度进行分组,观察不同组别间性能衰减幅度是否存在显著差异,进一步识别影响抛光液性能的关键工艺因素;
S56、基于以上分析结果,梳理出各工艺属性对抛光液性能衰减幅度的影响规律,形成一套完整的抛光液性能影响数据库;抛光液性能影响数据库可以用来预测在不同工艺条件下的抛光液性能衰减趋势,并据此提出科学合理的抛光液更换策略。
步骤S5综合考虑抛光液性能量化指标衰减幅度与多个零件抛光工艺属性之间的相关性,从而能够全面评估不同工艺条件对抛光液性能的影响;这种全面性分析有助于发现各种潜在因素,为后续的抛光液管理提供全面的数据支持;通过相关性分析,步骤S5能够建立精确的预测模型,预测在给定抛光工艺条件下抛光液性能的衰减情况;这种预测可以帮助企业提前规划抛光液更换周期,避免过早或过晚更换带来的资源浪费或生产中断风险;抛光液性能影响数据库的形成,为企业在抛光液更换决策方面提供了科学依据;企业可以根据数据库中的数据和模型,结合生产实际,制定科学合理的抛光液更换策略,提高生产效率和产品质量稳定性;步骤S5中使用的相关性分析方法和建立的预测模型具有一定的灵活性和可扩展性;随着生产工艺的不断改进和新材料的不断应用,企业可以根据需要调整分析方法和模型,以适应新的生产需求;通过精确的预测和科学的决策支持,步骤S5有助于企业实现抛光液更换管理的精细化和智能化,从而降低生产成本、提高资源利用效率、增强企业竞争力。
针对步骤S6:
步骤S6是抛光液更换预警方法中的一个重要环节,它涉及到将待抛光作业的零件抛光工艺属性带入到已建立的抛光液性能影响数据库中,以计算待抛光作业的抛光液性能量化指标衰减幅度;这一步的目的是为了预测在给定抛光工艺条件下抛光液性能的衰减情况,并为抛光液更换提供决策支持;具体来说,步骤S6的实现过程如下:
首先,需要获取待抛光作业的零件抛光工艺属性;这些特征包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长等;这些特征是决定抛光液性能衰减幅度的重要因素,因此准确获取这些特征信息是进行后续计算的关键;
然后,将这些获取到的零件抛光工艺属性带入到已建立的抛光液性能影响数据库中;这个数据库是在步骤S5中通过相关性分析得到的,它包含了抛光液性能量化指标衰减幅度与零件抛光工艺属性之间的关联信息;通过将这些特征输入到数据库中,我们可以利用数据库中存储的关联信息来预测待抛光作业的抛光液性能量化指标衰减幅度;
在数据库中进行计算时,可以采用多种机器学习方法来建立预测模型;例如,可以使用回归分析方法来建立抛光液性能量化指标衰减幅度与零件抛光工艺属性之间的数学模型;也可以使用机器学习算法(如支持向量机、随机森林等)来训练一个预测模型,该模型能够根据输入的零件抛光工艺属性来预测抛光液性能量化指标衰减幅度;无论采用哪种方法,都需要利用已有的历史数据来训练和优化模型,以确保预测结果的准确性和可靠性;
最后,通过计算得到待抛光作业的抛光液性能量化指标衰减幅度;这个衰减幅度表示了在给定抛光工艺条件下,抛光液性能可能会衰减的程度;这个预测结果可以为抛光液更换决策提供重要依据;例如,如果预测结果显示抛光液性能衰减幅度较大,那么可能需要提前更换抛光液,以避免影响抛光效果和产品质量。
综上所述,步骤S6是抛光液更换预警方法中的一个关键步骤,它通过将待抛光作业的零件抛光工艺属性带入到已建立的抛光液性能影响数据库中,预测抛光液性能量化指标衰减幅度,为抛光液更换提供决策支持;这一步骤的实现需要准确获取零件抛光工艺属性信息,并利用机器学习方法和已有的历史数据来建立预测模型,以确保预测结果的准确性和可靠性。
针对步骤S7:
步骤S7是基于机器学习抛光液更换预警方法中的关键环节,它涉及利用已有的抛光液性能数据和待抛光作业的预测信息来估算待抛光作业后的抛光液性能量化指标;下面将结合抛光领域的技术方案,详细介绍这一步骤的具体实现过程;
首先,需要明确的是,步骤S7建立在前述步骤的基础上,特别是步骤S3和S6的结果;在步骤S3中,已经计算出了每次抛光作业的抛光液性能量化指标衰减幅度,这为我们提供了抛光液性能随时间变化的趋势信息;而在步骤S6中,通过获取待抛光作业的零件抛光工艺属性,并将其带入至抛光液性能影响数据库进行计算,已经得到了待抛光作业的抛光液性能量化指标衰减幅度;步骤S7的任务是,基于这些已有的信息,来预测待抛光作业后的抛光液性能量化指标;这里的关键是,如何利用前一次(末次)抛光作业得到的抛光液性能量化指标与待抛光作业的抛光液性能量化指标衰减幅度来进行计算;具体实现过程如下:
S71、获取末次抛光作业的抛光液性能量化指标:这个指标是通过步骤S3计算得到的,它反映了上一次抛光作业结束时抛光液的性能状态;
S72、获取待抛光作业的抛光液性能量化指标衰减幅度:这个幅度是通过步骤S6计算得到的,它表示在给定抛光工艺条件下,抛光液性能可能衰减的程度;
S73、计算待抛光作业后的抛光液性能量化指标:将末次抛光作业的抛光液性能量化指标与待抛光作业的抛光液性能量化指标衰减幅度进行数学运算,以估算待抛光作业完成后的抛光液性能状态;具体的计算方法可以是简单的减法(如果衰减幅度以绝对值形式表示),或者是更复杂的数学模型(如果考虑了性能衰减的非线性特征或其他影响因素);
S74、考虑其他影响因素:在实际应用中,可能还需要考虑其他因素,如抛光机的状态、环境温度和湿度等,这些因素也可能对抛光液性能产生影响;如果有可能获取这些因素的数据,可以将它们纳入计算模型中以提高预测的准确性;
S75、输出结果:最终,步骤S7将输出一个待抛光作业后的抛光液性能量化指标预测值;这个预测值将作为后续步骤中决定是否需要更换抛光液的重要依据。
在本步骤中,步骤S7利用实际抛光作业中得到的抛光液性能量化指标和衰减幅度数据;这种基于实际数据的预测方法更加贴近实际生产情况,因此预测结果更加准确和可靠;通过结合末次抛光作业的抛光液性能量化指标和待抛光作业的抛光液性能量化指标衰减幅度,步骤S7提供了一种科学且灵活的方式来预测待抛光作业后的抛光液性能;这种预测方法既考虑了抛光液性能的历史数据,又结合了待抛光作业的工艺条件,因此可以适应不同生产环境和工艺要求;通过预测待抛光作业后的抛光液性能,步骤S7帮助企业提前了解抛光液的状态,从而能够进行前瞻性的管理;企业可以根据预测结果提前制定抛光液更换计划,避免抛光液性能衰减对生产造成不利影响,提高生产效率和产品质量。
针对步骤S8:
步骤S8是抛光液更换预警方法中的最后一步,也是决策的关键环节;在这一步中,将待抛光作业后的抛光液性能量化指标与预设的抛光液更换阈值进行比较,并根据比较结果来决定是否需要更换抛光液;具体来说,待抛光作业后的抛光液性能量化指标是通过步骤S7计算得到的,它反映了在给定抛光工艺条件下,抛光液性能在作业结束后的预期状态;而预设的抛光液更换阈值则是一个根据经验或实验数据确定的临界值,用于判断抛光液性能是否下降到需要更换的程度;具体实现如下:
S81、计算待抛光作业后的抛光液性能量化指标:通过步骤S7,基于末次抛光作业的抛光液性能量化指标和待抛光作业的抛光液性能量化指标衰减幅度预测,得到待抛光作业结束后抛光液的预计性能状态;
S82、设定抛光液更换阈值:根据抛光液性能衰减与抛光效果、产品质量之间的关系,以及实践经验、实验数据和专家意见,预先设定一个或多个抛光液性能指标的阈值;这些阈值代表着抛光液性能下降到一定程度时,无法保证理想的抛光效果或可能对工件造成损害的情况;
S83、性能指标比较:将计算得到的待抛光作业后的抛光液性能量化指标与预设的抛光液更换阈值进行逐一比较;如果待抛光作业后的任一性能指标低于对应的阈值,则表明抛光液性能已经不足以维持高质量的抛光效果,应当进行更换;
S84、抛光液更换提醒与决策:当待抛光作业后的抛光液性能量化指标低于阈值时,将自动发出更换抛光液的预警信号,通知操作人员或控制系统安排更换抛光液,以避免因抛光液性能下降导致的产品质量问题和生产效率低下;同时,这一决策过程也充分体现了基于机器学习方法对抛光液更换管理的科学性和准确性。
在本步骤中,通过将待抛光作业后的抛光液性能量化指标与预设阈值进行比较,实现了基于数据和模型的科学决策,避免了以往依赖主观经验判断可能出现的误差,提高了抛光液更换决策的准确性;S8步骤能够实时监测抛光液性能状态,当性能指标低于阈值时立即发出更换预警,有效防止因抛光液性能不足而导致的产品质量问题和生产效率下降,提高了生产过程的可控性和稳定性;基于准确的性能预测和阈值比较,能确保在抛光液性能真正降至无法满足抛光需求时才进行更换,避免了抛光液过早更换导致的资源浪费,同时也避免了因未能及时更换而引起的额外损失;可以根据不同的抛光工艺、工件材质等因素,设定针对性的抛光液性能阈值,使预警系统具备良好的适应性和可扩展性;随着机器学习模型的不断训练和优化,阈值设置和性能预测将更加精准,从而使抛光液更换预警方法更加成熟可靠,进一步提升抛光工艺的管理水平和整体效率;综上所述,步骤S8通过严谨的数据分析、科学的决策流程以及灵活的阈值设定,提高抛光液更换管理的智能化水平,促进精密制造工艺的精益化发展。
如图2、图3所示,本发明实施例提供了一种基于机器学习的抛光液更换预警装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种基于机器学习的抛光液更换预警装置所在电子设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示,本实施例提供的一种基于机器学习的抛光液更换预警装置,包括:
数据采集模块,用于采集每次抛光作业后的抛光溶液物理特性,抛光溶液物理特性至少包括pH值、导电率、金属杂质含量、粘度以及磨料含量;
性能量化模块,用于将数据采集模块所采集的抛光液物理特性输入到预先搭建的抛光液性能量化空间中,通过匹配获得抛光液性能量化指标;
性能衰减计算模块,用于计算每次抛光作业的抛光液性能量化指标衰减幅度;
工艺属性采集模块,用于采集每次抛光作业的零件抛光工艺属性,零件抛光工艺属性包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长;
相关性分析模块,用于将抛光液性能量化指标衰减幅度与零件抛光工艺属性进行相关性分析,建立抛光液性能影响数据库;
预测计算模块,用于获取待抛光作业的零件抛光工艺属性,并将其带入到抛光液性能影响数据库中进行计算,预测待抛光作业的抛光液性能量化指标衰减幅度;
性能预测模块,基于末次抛光作业得到的抛光液性能量化指标与预测计算模块所得的待抛光作业抛光液性能量化指标衰减幅度,计算得到待抛光作业后的抛光液性能量化指标;
更换提醒模块,将性能预测模块得到的待抛光作业后的抛光液性能量化指标与预设的抛光液更换阈值进行比较;如果超过预设的抛光液更换阈值,则发出抛光液更换的提醒。
在本实施例中,通过数据采集模块实时获取抛光液的物理特性数据,克服了传统依赖人工经验或固定时间表的局限性,实现了抛光液性能的精确量化监测;性能量化模块将物理特性数据映射至预设的抛光液性能量化空间中,能够准确评估抛光液在每一次作业后的性能状态,并量化性能指标的衰减幅度,为后续决策提供依据;相关性分析模块将抛光液性能衰减与实际抛光工艺属性紧密结合,建立了抛光液性能影响数据库,揭示了工艺条件对抛光液性能的影响规律,提升了更换管理的科学性和针对性;预测计算模块和性能预测模块基于历史数据和待抛光作业的工艺属性,能够提前预测抛光液在新作业后的性能变化,有助于管理人员提前规划抛光液更换计划;该预警装置避免了抛光液过早更换造成的资源浪费,同时也防止因未能及时更换而导致抛光效果和产品质量下滑的问题,有效优化了抛光液的使用效率和资源利用率;整个装置实现了数据采集、处理、分析和决策的自动化,减轻了人工干预的压力,提升了生产过程的智能化水平,符合现代精密制造追求高效、精确、智能的趋势;综上所述,基于机器学习的抛光液更换预警装置不仅能提升抛光液更换管理的科学性和准确性,还能有效节省资源、保障产品质量,同时推进了生产过程的智能化改革。
可以理解的是,本发明实施例示意的结构并不构成对一种基于机器学习的抛光液更换预警装置的具体限定。在本发明的另一些实施例中,一种基于机器学习的抛光液更换预警装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种基于机器学习的抛光液更换预警方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种基于机器学习的抛光液更换预警方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于机器学习的抛光液更换预警方法,其特征在于,所述方法包括:
采集每次抛光作业后的抛光溶液物理特性;
将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配,获得抛光液性能量化指标;
计算每次抛光作业的抛光液性能量化指标衰减幅度;
采集每次抛光作业的零件抛光工艺属性;
将抛光液性能量化指标衰减幅度与对应抛光作业的零件抛光工艺属性进行相关性分析,获得抛光液性能影响数据库;
获取待抛光作业的零件抛光工艺属性,并将其带入至抛光液性能影响数据库进行计算,获得待抛光作业的抛光液性能量化指标衰减幅度;
基于末次抛光作业得到的抛光液性能量化指标与待抛光作业的抛光液性能量化指标衰减幅度,计算得到待抛光作业后的抛光液性能量化指标;
将待抛光作业后的抛光液性能量化指标与预设抛光液更换阈值进行比较,并根据比较结果进行抛光液更换提醒;
所述抛光液物理特性包括PH值、导电率、金属杂质含量、粘度以及磨料含量;
所述零件抛光工艺属性包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长;
所述将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配,获得抛光液性能量化指标的方法,包括:
构建抛光液性能量化空间;所述抛光液性能量化空间整合历史抛光作业中不同抛光液物理特性对抛光液性能的影响数据;
对当前的抛光液物理特性进行预处理,包括清洗、去噪和标准化;
确定用于处理和解析抛光液物理特性的匹配算法,匹配算法用于根据抛光液物理特性在抛光液性能量化空间中找到最接近的历史数据点,并推断出当前的抛光液性能;
基于抛光液性能,生成抛光液性能量化指标,抛光液性能量化用于量化描述抛光液在当前状态下的性能;
所述抛光液性能量化空间的搭建方法,包括:
收集过去抛光作业的历史数据,历史数据包括每次抛光作业后的抛光液物理特性以及对应的抛光效果评估数据,所述抛光效果评估数据包括工件表面的光洁度和平滑度,同时收集每次抛光作业的零件抛光工艺属性;
对收集到的历史数据进行清洗,去除异常值和错误数据,对收集到的历史数据进行标准化处理,消除不同物理特性之间的量纲差异;
从预处理后的历史数据中提取关键特征,关键特征能够反映抛光液的性能和抛光效果,分析各抛光液物理特性与抛光效果评估数据之间的关系;
基于提取的关键特征,选择机器学习算法建立抛光液性能量化模型;抛光液性能量化模型能够将抛光液物理特性映射到抛光效果评估数据上,实现对抛光液性能的量化评估;
使用独立的历史数据集对建立的抛光液性能量化模型进行验证,评估其预测准确性和泛化能力;根据验证结果对抛光液性能量化模型进行调整和优化。
2.如权利要求1所述的基于机器学习的抛光液更换预警方法,其特征在于,所述计算每次抛光作业的抛光液性能量化指标衰减幅度的方法,包括:
确定最近一次抛光作业后的抛光液性能量化指标作为比较的参考点;
计算当前抛光作业后的抛光液性能量化指标与参考点的差值;
将差值与参考点的抛光液性能量化指标进行比较,计算出抛光液性能量化指标衰减幅度,所述抛光液性能量化指标衰减幅度用于表征抛光液性能的下降趋势。
3.如权利要求1所述的基于机器学习的抛光液更换预警方法,其特征在于,所述计算得到待抛光作业后的抛光液性能量化指标的方法,包括:
获取最近一次抛光作业的抛光液性能量化指标;
获取待抛光作业的抛光液性能量化指标衰减幅度;
基于最近一次抛光作业的抛光液性能量化指标与待抛光作业的抛光液性能量化指标衰减幅度,计算得到待抛光作业后的抛光液性能量化指标。
4.如权利要求1所述的基于机器学习的抛光液更换预警方法,其特征在于,将抛光液性能量化指标衰减幅度与对应抛光作业的零件抛光工艺属性进行相关性分析,获得抛光液性能影响数据库的方法,包括:
将抛光液性能量化指标衰减幅度数据与零件抛光工艺属性数据进行对应整合;使抛光液性能量化指标衰减幅度与零件抛光工艺属性一一对应;
计算抛光液性能量化指标衰减幅度与各项零件抛光工艺属性之间的相关系数;
构建树结构模型,用于反映各项零件抛光工艺属性对抛光液性能衰减幅度的影响路径和影响程度;
梳理各项零件抛光工艺属性对抛光液性能衰减幅度的影响规律,形成抛光液性能影响数据库,所述抛光液性能影响数据库用于预测在不同零件抛光工艺属性下的抛光液性能衰减趋势。
5.一种基于机器学习的抛光液更换预警装置,其特征在于,所述装置包括:
数据采集模块,用于采集每次抛光作业后的抛光溶液物理特性,抛光溶液物理特性包括PH值、导电率、金属杂质含量、粘度以及磨料含量;
性能量化模块,用于将数据采集模块所采集的抛光液物理特性输入到预先搭建的抛光液性能量化空间中,通过匹配获得抛光液性能量化指标;
性能衰减计算模块,用于计算每次抛光作业的抛光液性能量化指标衰减幅度;
工艺属性采集模块,用于采集每次抛光作业的零件抛光工艺属性,零件抛光工艺属性包括被抛光零件的材质、单一零件的抛光面积、零件数量以及抛光时长;
相关性分析模块,用于将抛光液性能量化指标衰减幅度与零件抛光工艺属性进行相关性分析,建立抛光液性能影响数据库;
预测计算模块,用于获取待抛光作业的零件抛光工艺属性,并将其带入到抛光液性能影响数据库中进行计算,预测待抛光作业的抛光液性能量化指标衰减幅度;
性能预测模块,基于末次抛光作业得到的抛光液性能量化指标与预测计算模块所得的待抛光作业抛光液性能量化指标衰减幅度,计算得到待抛光作业后的抛光液性能量化指标;
更换提醒模块,将性能预测模块得到的待抛光作业后的抛光液性能量化指标与预设的抛光液更换阈值进行比较;如果超过预设的抛光液更换阈值,则发出抛光液更换的提醒;
所述将抛光液物理特性输入预先搭建的抛光液性能量化空间进行匹配,获得抛光液性能量化指标的方法,包括:
构建抛光液性能量化空间;所述抛光液性能量化空间整合历史抛光作业中不同抛光液物理特性对抛光液性能的影响数据;
对当前的抛光液物理特性进行预处理,包括清洗、去噪和标准化;
确定用于处理和解析抛光液物理特性的匹配算法,匹配算法用于根据抛光液物理特性在抛光液性能量化空间中找到最接近的历史数据点,并推断出当前的抛光液性能;
基于抛光液性能,生成抛光液性能量化指标,抛光液性能量化用于量化描述抛光液在当前状态下的性能;
所述抛光液性能量化空间的搭建方法,包括:
收集过去抛光作业的历史数据,历史数据包括每次抛光作业后的抛光液物理特性以及对应的抛光效果评估数据,所述抛光效果评估数据包括工件表面的光洁度和平滑度,同时收集每次抛光作业的零件抛光工艺属性;
对收集到的历史数据进行清洗,去除异常值和错误数据,对收集到的历史数据进行标准化处理,消除不同物理特性之间的量纲差异;
从预处理后的历史数据中提取关键特征,关键特征能够反映抛光液的性能和抛光效果,分析各抛光液物理特性与抛光效果评估数据之间的关系;
基于提取的关键特征,选择机器学习算法建立抛光液性能量化模型;抛光液性能量化模型能够将抛光液物理特性映射到抛光效果评估数据上,实现对抛光液性能的量化评估;
使用独立的历史数据集对建立的抛光液性能量化模型进行验证,评估其预测准确性和泛化能力;根据验证结果对抛光液性能量化模型进行调整和优化。
6.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437204.5A CN118024035B (zh) | 2024-04-12 | 2024-04-12 | 基于机器学习的抛光液更换预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437204.5A CN118024035B (zh) | 2024-04-12 | 2024-04-12 | 基于机器学习的抛光液更换预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118024035A CN118024035A (zh) | 2024-05-14 |
CN118024035B true CN118024035B (zh) | 2024-07-12 |
Family
ID=90987892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410437204.5A Active CN118024035B (zh) | 2024-04-12 | 2024-04-12 | 基于机器学习的抛光液更换预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118024035B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106926138A (zh) * | 2017-03-23 | 2017-07-07 | 大连理工大学 | 一种抛光液性能连续实时调控装置 |
CN117147544A (zh) * | 2023-08-30 | 2023-12-01 | 深圳市国邦生物技术有限公司 | 一种智能马桶的尿液检测分析系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108007982B (zh) * | 2017-11-29 | 2020-02-07 | 河北宇天昊远纳米材料有限公司 | 一种延长a-面蓝宝石窗口抛光液使用寿命的方法 |
CN109454547A (zh) * | 2018-12-27 | 2019-03-12 | 杭州众硅电子科技有限公司 | 一种用于cmp抛光垫寿命在线检测的系统和方法 |
CN113059480B (zh) * | 2019-12-31 | 2022-07-29 | 清华大学 | 一种化学机械抛光装置及其控制方法 |
JP7390945B2 (ja) * | 2020-03-19 | 2023-12-04 | 株式会社荏原製作所 | 研磨装置、情報処理システム及びプログラム |
CN117079737A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市永霖科技有限公司 | 一种基于成分分析的抛光液预测方法和装置 |
-
2024
- 2024-04-12 CN CN202410437204.5A patent/CN118024035B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106926138A (zh) * | 2017-03-23 | 2017-07-07 | 大连理工大学 | 一种抛光液性能连续实时调控装置 |
CN117147544A (zh) * | 2023-08-30 | 2023-12-01 | 深圳市国邦生物技术有限公司 | 一种智能马桶的尿液检测分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118024035A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113560955B (zh) | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN111130890A (zh) | 一种网络流量动态预测系统 | |
Montgomery et al. | Minor maintenance actions and their impact on diagnostic and prognostic CBM models | |
CN115238829A (zh) | 一种热轧机的轧辊磨损程度分析方法 | |
CN118024035B (zh) | 基于机器学习的抛光液更换预警方法及装置 | |
Coelho et al. | Estimating pitting descriptors of 316 L stainless steel by machine learning and statistical analysis | |
CN117350542A (zh) | 一种数字化交付数据可视化系统及其应用方法 | |
CN111751508A (zh) | 一种水质传感器生命周期的性能评估预测方法及系统 | |
Morris et al. | Using energy consumption profiles as an indicator of equipment condition | |
CN109978038B (zh) | 一种集群异常判定方法及装置 | |
Martel | Spike Detection Using Advanced Analytics and Data Analysis | |
CN117893100B (zh) | 基于卷积神经网络的质量评价数据更新模型的构建方法 | |
CN116780524B (zh) | 一种基于lstm深度学习的工业企业短期负荷预测方法 | |
CN118071154B (zh) | 基于数据处理的内控智能审核系统及方法 | |
CN117574180B (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
Dachraoui et al. | Optimisation of maintenance by piecewise deterministic Markov processes under conditions of population heterogeneity | |
EP4379618A1 (en) | Computer implemented method for determining a quality result for input data of a data model | |
Ni et al. | Maintenance policy for two-stage deteriorating mode system based on cumulative damage model | |
CN115795898A (zh) | 一种服务器硬盘的再制造最佳寿命评估方法及系统 | |
CN117902600A (zh) | 氢氧化锂的生产方法及系统 | |
Liu et al. | Coating process control in lithium-ion battery manufacturing using cumulative sum charts | |
CN118143742A (zh) | 一种刀具磨损变化量分析方法、装置及电子设备 | |
CN117592682A (zh) | 一种基于实时审计数据流分析系统的供应链风险监控方法及系统 | |
Duan et al. | A Study of Proportional Hazards Models: Its Applications in Prognostics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |